AWS 升级 Amazon Polly 生成式引擎，新增 14 种语音

Amazon Web Services 于 2026 年 10 月 22 日发布了 Amazon Polly 生成式文本转语音引擎的全面可用升级，新增 14 种语音，覆盖 9 个区域设置，并首次为生成式语音提供印地语和芬兰语支持。在一篇AWS 机器学习博客文章中，该公司称，更新后的引擎能够以更低的延迟生成表现力更丰富、准确度更高的语音，目前已可用于生产环境。

此次发布为现有生成式语音提供了可直接替换的升级版本：语音名称和 API 调用均保持不变，因此，已经使用这些语音的应用无需修改即可继续运行。AWS 将 Amazon Polly 描述为一项全托管服务，可将文本转换为自然流畅的语音，适用于联络中心、基于大型语言模型构建的智能体应用、媒体与娱乐、在线学习、无障碍服务，以及其他需要大规模稳定语音输出的工作负载。

语音质量与引擎设计

AWS 表示，升级后的语音无需手动设置，即可根据输入文本调整情感和韵律。公告通过同一句关于包裹提前送达的文本的三种朗读方式展示了这一效果——一种语气平静，一种带有不确定感，另一种则表现出惊讶——并提供了示例音频。在一个示例中，Tiffany 语音向听众问候，并介绍自己是 Polly 的一种生成式语音；在另一个示例中，Kenneth 语音复述订单确认信息。AWS 表示，该语音能够准确读出追踪号码、配送日期和时间段、货币金额以及街道地址。

Amazon Polly 开发者指南将生成式引擎描述为迄今 Amazon Polly 最大的文本转语音模型。该引擎结合了一个拥有十亿参数的 Transformer 和一个基于卷积的解码器：前者将原始文本转换为语音代码，后者则以增量、可流式传输的方式将这些代码转换为波形。指南提醒，由于这项技术属于生成式 AI 范畴，即使整体质量有所提升，训练数据和模型的更新仍可能导致语音听感略有变化。对于长时间跨度内分段合成的内容，例如一季播客节目，这一点值得留意。

新增语音、语言和区域

按区域设置划分，新增的 14 种语音分别为：美国英语（Kenneth、Nate）、澳大利亚英语（Russell、Curtis）、印度英语（Kiara、Arjun）、德语（Tina）、美国西班牙语（Carlos）、巴西葡萄牙语（Leo、Carolina）、韩语（Hyunduk）、印地语（Kiara、Arjun）和芬兰语（Suvi）。AWS 发布了印地语语音 Arjun 和 Kiara，以及芬兰语语音 Suvi 的示例脚本，并表示印地语和芬兰语首次在生成式引擎中全面可用。

AWS 表示，新增语音后，生成式语音目录目前共包含 57 种语音，覆盖 11 种语言和 25 个区域设置。这 14 种新语音已在 11 个 AWS 区域推出：美国东部（北弗吉尼亚）、美国西部（俄勒冈）、欧洲（法兰克福）、欧洲（苏黎世）、欧洲（伦敦）、亚太地区（悉尼）、亚太地区（首尔）、亚太地区（新加坡）、亚太地区（东京）、加拿大（中部），以及 AWS GovCloud（美国西部）。新增 AWS GovCloud（美国西部）区域扩大了该引擎的覆盖范围。

API、定价与已记录的限制

现有集成无需任何调整即可继续使用。将引擎参数设为 generative 后，通过相同的 SynthesizeSpeech API 调用即可使用升级后的语音；AWS 表示无需更改代码。对于实时工作负载，双向流式传输 API StartSpeechSynthesisStream 可让应用在向 Amazon Polly 传输文本的同时接收合成音频。AWS 称，这种模式非常适合语音智能体和游戏中的定制角色。

定价保持不变。AWS 表示，此次升级在现有价格下提升了语音质量和准确度，不会增加费用，也不会新增 SKU 或改变现有集成；客户还可以缓存并重放合成的静态提示语，无需支付额外费用。生成式引擎也继续支持语音合成标记语言（Speech Synthesis Markup Language）标签，以便对输出进行精细控制。

多项已记录的限制仍然存在。生成式语音仍不支持语音标记；不受此次升级影响的标准语音和神经网络语音则继续支持语音标记。开发者指南指出，生成式引擎不支持新闻播报风格；双向流式传输仅在部分区域提供；生成式语音的默认采样率为 24 kHz，输出格式包括 MP3、OGG（Vorbis）和原始 PCM。指南还介绍了一项内置的紧急停止机制：当模型可能产生幻觉时，该机制会停止语音渲染，这种情况通常出现在句末。AWS 警告称，这项保护措施只能降低风险，无法彻底消除风险；在极端情况下，模型可能会截断某个词的一部分，或在达到停止阈值后继续生成内容。

可用情况与早期客户使用情况

AWS 表示，这些质量改进会自动应用于 Amazon Connect 和 Genesys 的联络中心流程。开发者可以通过 AWS Management Console、AWS Command Line Interface 或 AWS SDKs 使用这些语音，并使用 polly:SynthesizeSpeech IAM 权限；他们还可以在部署时调用 DescribeVoices，以确认所选的生成式语音在应用运行所在的区域是否可用。

Sanoma Media Finland 的产品经理 Justus Reinikainen 表示，该公司使用 Amazon Polly 将实时新闻文章转换为音频，目前每月通过 Polly 的芬兰语神经语音发布超过 10,000 篇文章。Reinikainen 说，在公司的测试中，Suvi 的新生成式语音明显优于此前的神经语音，听起来对听众而言也自然得多。